在监督学习中，人类扮演着“教师”的角色，而机器则如同“学生”，通过接收带有明确答案的数据来学习规律。这种学习方式类似于课堂教学：老师提供标准答案，学生据此掌握知识。例如，将一张苹果的图片标注为“苹果”，把桔子的图片标注为“桔子”，机器便能从这些标注样本中学习如何识别不同水果。

总体而言，监督学习主要分为两大类：回归任务与分类任务。

1. 分类任务

分类任务的目标是判断输入样本属于哪一个预定义的类别。比如，识别图像中的动物是“猫”还是“狗”；判断语音片段发出的是“啊”还是“哦”；分辨手写数字是“1”还是“9”；或是判断一张表情包传达的情绪是“愤怒”还是“高兴”。执行此类任务的模型通常会输出一个类别标签作为预测结果，有时还会附带一个表示预测可信程度的数值——即“置信度”。

显然，这类任务的核心目标是提升分类的准确性。

2. 回归任务

与分类任务不同，回归任务关注的是预测一个连续的数值结果。例如，给定一组房屋面积与对应价格的历史数据，机器可以学习面积和价格之间的关系，并据此预测新房屋的价格。另一个例子是天气预测：利用卫星云图、气温、湿度、气压以及地理位置等数据，模型可推断未来几天的温度或降雨量等连续变量。

关于数据标注的重要性

在监督学习过程中，高质量的数据标注是成功的关键。正如练习题中的标准答案帮助学生巩固知识点一样，正确的标签使机器能够从中归纳出有效的模式。不同的任务对标注的要求也各不相同：图像识别任务中，通常只需框选出物体并标明其类别，操作相对直接；而语音识别则需要逐字转录音频内容，过程更为复杂且耗时。

尽管数据标注是一项繁琐且劳动密集型的工作，但它构成了机器学习的基础，堪称训练模型不可或缺的“养料”。